C++ 在OpenCv中计算cv:：Mat的外积（张量）

是否有一种方法可以使用OpenCV中的

cv:：Mat

数据结构计算某些列向量的外积（z*转置（z）

我检查过了，没有内置的功能。但我在尝试将标准矩阵乘法表达式（*）与类型为

cv:：Mat

的向量一起使用时遇到了异常

以下是（伪）代码：

外积计算给出了例外情况。（是的，我在实际代码的tmp矩阵中有实际值，但本说明提供了有关所用数据类型的更多信息）

理想情况下，

cv:：Mat outerProduct

应该以9x9矩阵结束

我可以使用

cv:：Mat

的缩放倍增属性（即，按维度重复列向量

tmp

，并针对每列，按索引中的值缩放元素）：

cv:：Mat outerProduct=cv:：repeat（tmp，1,9）；
对于（int i=0；i<9；i++）
{
外层产品列（i）*=tmp.at（i，0）；
}

---

…但如果有更好的方法，那就太好了。

请注意，虽然我的答案是正确的，但性能会更好

---

他们把这些方法偷偷带到你最意想不到的地方。这个在里面，叫做

查看源代码，似乎

mulTransposed

不支持

CV_32S

。以下是它们指定的源和目标类型：

(stype == CV_8U && dtype == CV_32F)
(stype == CV_8U && dtype == CV_64F)
(stype == CV_16U && dtype == CV_32F)
(stype == CV_16U && dtype == CV_64F)
(stype == CV_16S && dtype == CV_32F)
(stype == CV_16S && dtype == CV_64F)
(stype == CV_32F && dtype == CV_32F)
(stype == CV_32F && dtype == CV_64F)
(stype == CV_64F && dtype == CV_64F)

---

这意味着，目标类型始终是浮点类型。即使当我指定一个数据类型为

CV_16S

，我得到的矩阵是

CV_32F

在我的运行中，转置和乘法方法的速度是单个函数调用的两倍

Mat descriptor; //(1 rows x 192 cols, CV_32F)
Mat outerProduct;

// calculates outer products for 10000 different descriptors in a loop
mulTransposed(descriptor, outerProduct, true); // => takes 33 secs
outerProduct = descriptor.t()*descriptor; // => takes 14 secs 

---

也许我做错了什么，但是当我在

CV\u 32SC1

类型的

Mat

上调用该函数时，我从OpenCV得到了一个“不支持的格式或格式组合”错误。我检查了文档，他们特别提到mulTransposed“不仅可以乘法浮点矩阵。”对我来说

tmp

是type

CV\u 32SC1

，但当我指定

外部产品的类型时，它仍然失败。有什么想法吗？正在检查，但当我使用
CV_32SC1
而不是
double
时，我看到了同样的情况，即使我将
dtype
参数指定为
CV_32SC1
或
-1
。奇怪。。。我得四处看看。再次感谢！哇！如果只是想踢一脚，可以试试
CV\u 16SC1
。我正在查看代码，没有提到
CV_32S
，只有16位整数。不支持int类型，您需要CV_32F或类似的：mulTransposed“不仅可以乘法浮点矩阵”。请参阅下面@biker的答案。他列出了支持的类型。整数是8位和16位的类型。这真的很有趣。我注意到的一点是，输入数组必须是浮点数，但这似乎并不是这样一个性能增益的很大限制。抢手货
cv::Mat tmp = (Mat_<double>(9,1) << 1, 2, 3, 4, 5, 6, 7, 8, 9);
cv::Mat outerProduct;
mulTransposed(tmp, outerProduct, false);

tmp = 
[1; 2; 3; 4; 5; 6; 7; 8; 9]
outerProduct = 
[1, 2, 3, 4, 5, 6, 7, 8, 9;
 2, 4, 6, 8, 10, 12, 14, 16, 18;
 3, 6, 9, 12, 15, 18, 21, 24, 27;
 4, 8, 12, 16, 20, 24, 28, 32, 36;
 5, 10, 15, 20, 25, 30, 35, 40, 45;
 6, 12, 18, 24, 30, 36, 42, 48, 54;
 7, 14, 21, 28, 35, 42, 49, 56, 63;
 8, 16, 24, 32, 40, 48, 56, 64, 72;
 9, 18, 27, 36, 45, 54, 63, 72, 81]

(stype == CV_8U && dtype == CV_32F)
(stype == CV_8U && dtype == CV_64F)
(stype == CV_16U && dtype == CV_32F)
(stype == CV_16U && dtype == CV_64F)
(stype == CV_16S && dtype == CV_32F)
(stype == CV_16S && dtype == CV_64F)
(stype == CV_32F && dtype == CV_32F)
(stype == CV_32F && dtype == CV_64F)
(stype == CV_64F && dtype == CV_64F)

Mat descriptor; //(1 rows x 192 cols, CV_32F)
Mat outerProduct;

// calculates outer products for 10000 different descriptors in a loop
mulTransposed(descriptor, outerProduct, true); // => takes 33 secs
outerProduct = descriptor.t()*descriptor; // => takes 14 secs